Опубликовано: 09.04.2026 | Источник: CNews (новости)

Как распознавание голосовых ботов усилить проектную часть ВКР по системному анализу и ИТ-архитектуре

Компания «Ростелеком» совместно с VS Robotics (входит в группу «Сбер») внедрила ML-модель, способную с точностью 90% определять, разговаривает ли оператор с живым человеком или с голосовым помощником. Это не просто маркетинг — это системное решение, направленное на оптимизацию колл-центров, снижение нагрузки на операторов и повышение качества обслуживания. Технически проект затрагивает распознавание речи, анализ акустических паттернов, обработку потоковых аудиоданных и интеграцию ML-моделей в реальное время.

Для студентов технических специальностей — особенно на направлениях «Программная инженерия», «Информационные системы», «Системный анализ» — этот кейс — готовый источник вдохновения. Он показывает, как современные ML-подходы решают бизнес-задачи, где традиционные алгоритмы бессильны. Использование подобных кейсов в ВКР позволяет не просто описать технологию, а продемонстрировать её интеграцию в реальную архитектуру, оценить эффективность и обосновать выбор решений. Это повышает защиту на 80%: комиссия видит, что вы не копируете учебник, а думаете как инженер.

Актуальные темы для ВКР на основе кейса

1. Система распознавания голосовых ботов в колл-центре на базе ML

Актуальность: Ростелеком столкнулся с ростом автоматизированных звонков, что снижает эффективность работы операторов. Ваша работа может стать ответом на аналогичную проблему в других отраслях — банках, телекоме, госуслугах.

Цель: Разработка архитектуры и прототипа системы, способной в реальном времени классифицировать тип собеседника (человек/бот) по аудиопотоку.

Задачи:

• Анализ существующих подходов к распознаванию голосовых ботов (анализ тона, пауз, ритма, спектральных признаков).
• Проектирование архитектуры обработки аудио в реальном времени (streaming audio processing).
• Выбор и адаптация ML-модели (например, на базе Wav2Vec2 или ResNet-1D).
• Интеграция с SIP-сервером или Asterisk-шлюзом.

Структура:

• Глава 1 — Анализ угроз автоматизированных звонков, обзор ML-подходов.
• Глава 2 — Проектирование системы: фреймворки, поток данных, безопасность.
• Глава 3 — Тестирование: метрики точности, задержки, нагрузочное тестирование.

2. Архитектура микросервисной системы обработки речи с поддержкой ML-моделей

Актуальность: VS Robotics использует модульные ML-решения. Ваша работа может показать, как масштабировать такие системы.

Цель: Проектирование отказоустойчивой архитектуры для развертывания и управления ML-моделями в речевых системах.

Задачи:

• Анализ требований к latency, throughput и fault tolerance.
• Разработка архитектуры на базе Kubernetes и Kafka.
• Интеграция модели через Triton Inference Server или TorchServe.
• Организация CI/CD-пайплайна для обновления моделей.

Структура:

• Глава 1 — Обзор архитектурных подходов к ML в production.
• Глава 2 — Проектирование: контейнеризация, оркестрация, брокер сообщений.
• Глава 3 — Тестирование: RTO/RPO, метрики использования ресурсов.

3. Оценка эффективности внедрения ML-системы в колл-центр

Актуальность: Ростелеком оценивает экономический эффект. Вы можете сделать это количественно.

Цель: Расчёт экономической и технической эффективности внедрения системы распознавания ботов.

Задачи:

• Сбор и анализ метрик до и после внедрения (время разговора, нагрузка на операторов).
• Разработка модели оценки ROI (возврат на инвестиции).
• Оценка снижения нагрузки на инфраструктуру.
• Формирование рекомендаций по масштабированию.

Структура:

• Глава 1 — Экономические аспекты автоматизации колл-центров.
• Глава 2 — Методика расчёта эффективности (на основе ISO/IEC 25010).
• Глава 3 — Практическая оценка на примере модели.

Аналитическая глава: как обосновать выбор архитектуры

В первой главе ВКР вы не просто описываете технологии — вы сравниваете их. Возьмите кейс «Ростелекома» как отправную точку. Задайте вопросы:

• Почему выбран именно ML, а не пороговые алгоритмы по длине пауз?
• Какие фреймворки используются: TensorFlow, PyTorch, ONNX?
• Как обеспечивается безопасность аудиоданных (соответствие 152-ФЗ)?

Сравните три подхода:

Используйте стандарт ISO/IEC 25010 для оценки качества ПО: функциональная пригодность, производительность, безопасность. Это покажет, что вы мыслите системно.

Проектная часть: схемы, алгоритмы, интеграция

Во второй главе — не просто UML, а архитектурные решения. Пример:

Архитектура обработки звонка:

1. Звонок поступает на SIP-шлюз (например, Kamailio).
2. Аудиопоток направляется в Kafka (или RabbitMQ).
3. Сервис-обработчик (на Python/Go) извлекает фрагменты речи.
4. ML-сервис (TorchServe) классифицирует фрагмент.
5. Результат отправляется в систему мониторинга (например, Grafana).

Обязательно включите диаграмму потока данных (Data Flow Diagram). Используйте нотацию ГОСТ 34.602-89 — комиссия это ценит. Пример:

[Клиент] → SIP-шлюз → [Kafka] → [ML Processor] → [Inference Server] → [Результат]

Если вы делаете микросервисную архитектуру — покажите, как организованы:

• CI/CD-пайплайны (GitLab CI, ArgoCD).
• Мониторинг (OpenTelemetry + Prometheus).
• Логирование (Loki + Grafana).

Тестирование и метрики: как доказать, что система работает

Третья глава — не «мы запустили и всё работает». Это доказательство. Используйте:

• Метрики качества модели: Precision, Recall, F1-score, AUC-ROC.
• Производительность: Latency (мс), throughput (вызовов/сек), CPU/GPU usage.
• Отказоустойчивость: RTO (время восстановления), RPO (потеря данных).

Пример тестового сценария:

1. Генерация 1000 аудиофайлов: 500 — люди, 500 — боты (с использованием ElevenLabs).
2. Прогон через систему.
3. Сравнение предсказаний с эталоном.
4. Расчёт F1-score = 0.89 → соответствует уровню Ростелекома.

Для нагрузочного тестирования используйте k6 или JMeter. Покажите, как система ведёт себя при 100, 500, 1000 вызовах в минуту.

Чему вы научитесь, работая над таким проектом

Эта тема — не просто диплом. Это прокачка навыков, которые ценятся в индустрии:

• Работа с реальными ML-моделями: не только обучение, но и деплой.
• Проектирование архитектуры с учётом масштабируемости и отказоустойчивости.
• Обоснование выбора технологий: почему Kafka, а не Redis? Почему Kubernetes, а не Docker Compose?
• Оформление технической документации по ГОСТ: ТЗ, Технический проект, Описание программы.
• Измерение эффективности: не «система стала лучше», а «F1-score вырос на 22%, задержка снизилась на 35 мс».

Как оформить UML-диаграммы по ГОСТ?

Используйте нотацию UML 2.5, но адаптируйте под ГОСТ 19.701-90 (аналог DFD). Диаграммы должны быть читаемы: не более 7 элементов на схеме, легенда, пояснения. Лучшие инструменты: PlantUML (для кода), draw.io (для визуала).

Обязательно ли писать код в ВКР?

Да, если вы на IT-направлении. Достаточно прототипа: 300–500 строк качественного кода с комментариями. Главное — показать, что вы можете реализовать свою архитектуру. Код прикладывается в приложении.

Где брать тестовые данные?

Для аудио: ресурсы вроде Mozilla Common Voice, LibriSpeech. Для симуляции ботов — синтез речи (ElevenLabs, Google Cloud TTS). Укажите в работе источник данных и метод генерации.

Как измерить производительность в дипломе?

Используйте k6 для нагрузки, Prometheus для сбора метрик, Grafana для визуализации. В отчёте — графики: задержка vs нагрузка, использование CPU. Сравните с baseline (например, без ML).

Источник: VS Robotics помогает «Ростелеком» распознавать 90% голосовых помощников при звонках клиентам (опубликовано 2026-03-31)